持续三维物体形状重建中令人惊讶的正向知识迁移
机器学习
2022-09-12 v5 计算机视觉与模式识别
摘要
持续学习已在分类任务中得到广泛研究，所开发的方法主要为避免灾难性遗忘——即以近期样本为代价遗忘早前所学概念的现象。本工作中，我们提出一组持续三维物体形状重建任务，包括从不同输入模态进行完整三维形状重建，以及可见表面（2.5D）重建，这些任务在仅使用标准 SGD 且无需额外启发式方法训练时，出人意料地展现出正向（向后与向前）知识迁移。我们提供证据表明，单视图三维形状重建的持续更新表征学习随时间提升了在已学及新颖类别上的性能。我们通过考察跨顺序学习任务的输出分布偏移，对知识迁移能力进行了新颖分析。最后，我们表明这些任务的鲁棒性使之有望作为持续分类的代理表征学习任务。本文发布的代码库、数据集与预训练模型见 https://github.com/rehg-lab/CLRec
引用
@article{arxiv.2101.07295,
title = {The Surprising Positive Knowledge Transfer in Continual 3D Object Shape Reconstruction},
author = {Anh Thai and Stefan Stojanov and Zixuan Huang and Isaac Rehg and James M. Rehg},
journal= {arXiv preprint arXiv:2101.07295},
year = {2022}
}
备注
Accepted to 3DV 2022